⚡ electrical engineering

Study Numerical Simulation of Smoke Movement and LSTM-Based Early Warning for metro Platform Fires

本研究整合了火灾动力学模拟器（FDS）数值模拟、全尺寸烟雾实验以及长短期记忆网络（LSTM）深度学习模型，旨在分析地铁站台火灾中的烟雾扩散情况，并开发出一套能够实现超过98%的关键能见度下降预测准确率的高精度预警系统。

原作者： Hua Chen, Haotian Qiao, Ying Xia, Yong Zhang, Chenyang Zhang, Qing Liu, Wenjing Mao, Tianchang Meng, Gang Wang

发布于 2026-08-22

📖 1 分钟阅读☕ 轻松阅读

原作者： Hua Chen, Haotian Qiao, Ying Xia, Yong Zhang, Chenyang Zhang, Qing Liu, Wenjing Mao, Tianchang Meng, Gang Wang

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

地下城市是现代工程学的奇迹，每天通过深藏于地下的隧道运送数百万人。然而，这种便利也伴随着一个隐藏的脆弱点：当地铁站发生火灾时，其产生的烟雾成为了威胁生命的主要因素。不同于在开阔地带火灾中热量和烟气可以上升并消散，地铁站是一个封闭的盒子。由于没有自然风将烟雾吹走，烟雾会迅速充满空间，遮挡视线并充满有毒气体。烟雾扩散的速度决定了乘客能否找到安全出口，还是会被困在其中。几十年来，工程师们一直依赖复杂的通风系统来应对这一危险，但这些拥挤狭窄空间内烟雾运动的物理特性很难预测，而安全撤离的窗口期往往仅以几分钟计。

为了应对这一挑战，来自中国和加拿大的研究团队最近进行了一项综合研究，旨在准确了解火灾发生时烟雾在站台上的行为方式，以及如何在为时不及之前发出预警。他们结合了三种不同的方法：构建一个详细的地铁站数字孪生模型、在运营中的车站进行实地火灾测试，以及训练计算机识别危险模式。他们的目标不仅是观察烟雾如何移动，而是开发一种能够在此前数秒内预测可见度出现危险下降的系统，从而为应急响应人员和乘客争取到宝贵的领先时间。

研究人员首先创建了一个典型的双层地铁站精确计算机模型，这种设计常见于许多中国的大城市。他们模拟了一个热输出量为3兆瓦的站台火灾（规模相当于大型车辆火灾），并观察了在不同条件下烟雾是如何扩散的。在一种情景中，他们使用了车站的标准通风系统；在另一种情景中，他们增加了一个移动式排风扇，以观察其是否能帮助更快地清理空气；在第三种情景中，他们模拟了一个没有屏蔽站台与轨道之间玻璃隔断的车站，这种设计在纽约和伦敦等城市的旧系统中很常见。模拟结果显示，这些被称为站台屏蔽门的玻璃门从根本上改变了烟雾的传播方式。当门关闭时，烟雾会被困在站台上，直到系统打开它们让空气流入隧道。而当这些门不存在时，烟雾会立即扩散到隧道中并向地面上升，形成一种不同且往往更加混乱的运动模式。

为了确保计算机模型的准确性，团队并未仅仅依赖理论。他们在华南地区一个真实的运营地铁站内，趁夜间列车停运时进行了一次全尺寸火灾实验。他们使用四个盛有燃烧酒精的托盘引燃了受控火灾，产生1.5兆瓦的热释放率。随着火势的发展，他们观察了烟雾的上升和扩散过程，并记录了通风系统启动的确切时刻。实验证实，车站的安全逻辑按设计正常运行：烟雾探测器触发了排风扇，玻璃门打开以连接站台与隧道，隧道的通风系统也将烟雾抽离。烟雾被成功引导从站台经过开启的门进入隧道并排出站外，使站台在几分钟内恢复到足以进行疏散的清晰程度。这次实地测试证明，他们的数字模拟足以可靠地用于进一步分析。

凭借经过验证的模型和丰富的数据库，研究人员转向了消防安全的未来：人工智能。他们将来自模拟过程的数千个数据点输入到一种名为长短期记忆网络（LSTM）的专门计算机程序中。这种程序旨在从事件序列中学习，就像人类通过时间识别模式一样。他们训练该系统去监测站台各处的一氧化碳、二氧化碳和可见度水平。目标是让计算机预测可见度是否会在未来30秒内降至10米的临界安全阈值以下。

结果令人瞩目。在面对从未见过的新数据进行测试时，该计算机模型识别危险状况的准确率超过了98%。更重要的是，它极少错过真实的危险。在118起模拟的可见度降至不安全水平的火灾事件中，该模型成功触发了报警。在大约34%的情况下，系统在可见度真正达到临界点之前就发出了警告，平均提前通知时间接近26秒。虽然这听起来时间很短，但在一个恐慌可能迅速蔓延的拥挤地铁站背景下，这些秒数至关重要。它们足以启动应急广播、切换通风模式，并在空气变得过于浑浊无法看清之前，开始引导乘客走向安全地带。

这项研究还强调了结合不同工具的价值。实地火灾测试验证了计算机模型，而计算机模型则提供了训练人工智能所需的庞大数据集。研究人员指出，虽然目前的模型非常有效，但它是一个为了速度而设计的单层系统。未来的工作将涉及加入更多不同类型火灾的数据，并可能将此系统与其他先进技术相结合，以使其更加稳健。目前，这项研究提供了一条清晰的前行路径：通过模拟和测试来理解烟雾的物理特性，并利用这些知识来训练智能预警系统，城市可以显著提高其地下交通网络的安全性，造福每天依赖它们的数百万民众。

技术摘要：地铁站台火灾烟雾运动数值模拟与基于 LSTM 的预警研究

问题陈述
地铁系统具有地下空间封闭、乘客流量大的特点，在发生火灾时面临显著的安全风险。与开放式结构不同，地下车站缺乏自然通风，导致烟雾迅速积聚，并通过连接开口进行垂直和水平方向的扩散。这种环境通过有毒气体暴露和能见度下降，对生命安全构成主要威胁。虽然全球范围内的烟雾控制策略各不相同——例如中国和新加坡采用带有站台屏蔽门（PSD）的封闭式站台，而纽约和伦敦则采用开放式站台——但排烟与加压逻辑配置不当可能会加剧有毒气体的扩散。此外，现有研究多依赖于数值模拟或缩比模型，缺乏充分的全尺寸实验验证。因此，迫切需要将全尺寸实验数据与先进的数值模拟及机器学习相结合，以优化烟雾控制策略并开发可靠的站台火灾预警系统。

研究方法
本研究采用结合全尺寸实验、计算流体力学（CFD）数值模拟和深度学习的混合方法。

全尺寸实验： 在中国南部某运营中的地铁站内，于非运营时段进行了热烟雾测试。该车站采用带有全封闭 PSD 的双岛式站台。实验通过点燃 1.5 MW 的火灾载荷（四个 0.5 m² 的酒精盘）来模拟站台火灾。实验遵循澳大利亚标准协议，利用图像采集系统（ICS）和风速计监测烟雾传播、气流速度及系统启动时间。测试验证了烟雾控制逻辑，包括站台排烟系统、PSD 开启以及隧道排烟口的顺序启动。
数值模拟： 使用火灾动力学模拟器（FDS）针对一个 215 米长的双岛式车站建立了三种不同的火灾场景：
- 场景 I： 带有 PSD 的站台，采用标准的机械排烟（站台 + 隧道）。
- 场景 II： 带有 PSD 的站台，集成移动式排烟风机以在救援行动期间辅助通风。
- 场景 III： 无 PSD 的原型开放式站台（代表纽约/伦敦等系统），依赖自然排烟。
  模拟采用 3 MW 的热释放速率（HRR）及快速 $t^2$ 火灾增长曲线。模型追踪了 CO、CO₂ 和能见度，以比较不同通风策略下的烟雾扩散情况。
基于 LSTM 的预警模型： 利用 FDS 模拟数据构建了一个“地铁火灾”（FIM）数据库，该数据库包含 6 个场景，涵盖了 20 个监测点的 CO、CO₂ 和能见度的同步测量数据。开发了一个长短期记忆（LSTM）网络进行二分类预警。该模型根据 60 秒的历史窗口（ $L=60s$ ），预测未来 30 秒时界（ $T=30s$ ）内能见度是否会降至临界阈值（10 m）以下。模型使用加权二元交叉熵损失函数进行训练，以解决类别不平衡问题，并优先考虑召回率以尽量减少漏报。

核心贡献

混合烟雾控制策略： 本研究提出并评估了一种混合策略，即在消防员救援行动期间使用移动式排烟风机辅助固定系统，并将其与传统的固定系统及开放式站台设计进行对比。
FIM 数据库与 LSTM 模型： 构建了全面的 FIM 数据库，并开发了专门用于预测地铁站台火灾中能见度下降情况的深度学习模型。
实验验证： 通过整合全尺寸实验数据来校准和验证数值模拟参数，确保了用于场景分析的 CFD 模型的可靠性。

结果

烟雾传播：
- 场景 I（标准型）： 烟雾在站台上积聚，随后通过 PSD 进入隧道。能见度显著下降，在多个点位于几分钟内达到危险水平（低于 10 m）。
- 场景 II（移动风机）： 增加移动风机显著抑制了站台上的水平烟雾扩散。与场景 I 相比，它将烟雾到达关键疏散点（楼梯和远端墙壁）的时间延迟了约 111–112 秒，大幅改善了能见度条件。
- 场景 III（开放式站台）： 在没有 PSD 的情况下，烟雾迅速扩散至天花板并进入相邻隧道。然而，由于浮力驱动流的作用，初期部分烟雾上升至站厅，使得在火灾初期，站台上的能见度高于场景 I，但随着浮力减弱，烟雾最终会沉降。
实验验证： 全尺寸测试证实了模拟中的烟雾传输路径。烟雾通过 PSD 有效地从站台引导至隧道，隧道排烟形成了定向流。站台保持负压，且能见度在点火 289 秒后恢复至初始水平。
LSTM 模型性能： 模型在测试集上表现优异，准确率达到 98.06%，精确率达 98.92%，召回率达 98.95%。对于所有 118 起能见度降至临界阈值以下的火灾事件，模型均成功触发了报警。
预警能力： 模型实现了 33.9% 的早期预警覆盖率，成功提前预测了 40 起危险事件。平均预警提前量为 25.9 秒，最大提前量为 158 秒。

意义与主张
作者指出，本研究为地铁站台火灾救援决策、烟雾控制系统优化及预警提供了理论支持和技术参考。通过利用全尺寸实验验证模拟方法的可靠性，研究证实了特定烟雾控制逻辑的有效性。研究声称，LSTM 模型能够成功捕捉能见度下降过程中细微的时间特征，为在状况变得危急之前发起应急广播或切换烟雾控制模式提供工具。研究也客观地承认了局限性，指出由于操作限制，移动风机策略（场景 II）未经过实验验证，且目前的模型使用单层 LSTM 以保证推理速度，未来计划集成更复杂的架构并扩大数据库规模。

类似论文